Python科学计算：绘图

最新推荐文章于 2023-11-20 09:31:24 发布

鲁智深坐捻绣花针

最新推荐文章于 2023-11-20 09:31:24 发布

阅读量420

点赞数

分类专栏： Python科学计算文章标签： python matplotlib 开发语言

本文链接：https://blog.csdn.net/faltas/article/details/130052894

版权

Python科学计算专栏收录该内容

19 篇文章 3 订阅

订阅专栏

文章介绍了使用matplotlib进行数据可视化的几个高级技巧，包括散点图的多种用法，如自定义点的颜色和大小；利用errorbar和plot结合展示连续误差；使用contour和contourf创建密度和轮廓图；以及绘制莫比乌斯带等三维图形。此外，示例中还展示了如何用matplotlib处理机器学习中的鸢尾花数据集。

摘要由CSDN通过智能技术生成

之前我跟着书上的讲解，学习了二维和三维的一些绘图方法，后面画自己的东西的时候也用上了一些，感觉还是不错的，但是当我感觉我对matplotlib模块已经有了一个大致的了解的时候，现实突然敲醒了我，还早呢，才学了些皮毛，今天早上在一个公众号上看到了一些使用matplotlib库的其他方法，就来和大家分享一下，也同样是自己的一种积累。

一、散点图：

这个主要用到的是scatter函数，用个最简单的例子来看看：

import matplotlib.pyplot as plt
import numpy as np
x=np.linspace(0,10,100)
y=np.cos(np.sin(x))
fig=plt.figure()
ax=fig.add_subplot(1,1,1)
ax.scatter(x,y,marker="o",color="r")
plt.show()

（左下角的不适用那个是我屏幕的问题，和程序没有半毛钱关系） scatter函数和plot函数的区别在于，scatter函数可以针对每个点设置不同属性，然后我们还可以通过数据集合对这些属性进行设置:

r=np.random.RandomState(0)
x=np.abs(r.randn(100))
y=np.abs(r.randn(100))
colors=np.abs(r.randn(100))
sizes=np.abs(1000*r.randn(100))
plt.scatter(x,y,c=colors,s=sizes,alpha=0.3,cmap='viridis')
plt.colorbar()
plt.show()

你别说，你还真别说，挺好看的。

前两天学机器学习的时候，里面有一个鸢尾花集，来看看绘制鸢尾花集的方法：

import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import load_iris
iris=load_iris()
features=iris.data.T
plt.scatter(features[0],features[1],alpha=0.2,s=100*features[3],c=iris.target,cmap='viridis')
plt.xlabel(iris.feature_names[0])
plt.xlabel(iris.feature_names[1])
plt.show()

从这里就可以看出，散点图是可以同时表征数据集的不同维度的特征，这对我们之后展示和分析数据集非常有帮助。

二、连续误差，之前有讲到误差可视化，可以用errorbar函数来绘制误差条，实际上，有些时候可能需要对连续值展示误差条，我们可以将plot和fill_between两个函数结合在一起来实现，具体展示的话，有一个高斯过程回归方法的例子，来看一下：

import matplotlib.pyplot as plt
import numpy as np
# from sklearn.datasets import load_iris
from sklearn.gaussian_process import GaussianProcessRegressor
model=lambda x:x*np.sin(x)
xdata=np.array([1,3,5,6,8])
ydata=model(xdata)
# 计算高斯回归过程
gp=GaussianProcessRegressor()
gp.fit(xdata[:,np.newaxis],ydata)
xfit=np.linspace(0,10,1000)
yfit,std=gp.predict(xfit[:,np.newaxis],return_std= True)
dyfit=2*std
plt.plot(xdata,ydata,"or")
plt.plot(xfit,yfit,"-",color="gray")
plt.fill_between(xfit,yfit-dyfit,yfit+dyfit,color='gray',alpha=0.2)
plt.xlim(0,10)
plt.show()

三、画一个密度和轮廓图，contour可以绘制轮廓，contourf可以填充区域颜色，这和matlab里面的函数差不多，我就不用他公众号上给出的例子了，直接用我之前的一个例子：

data=np.genfromtxt("I:out/wavesPhoto/250step.data")
plt.contour(data,cmap='gray')
plt.show()

做的一个很简单的波场快照：

把contour改成contourf之后，我觉得这个效果比前者更好一些

嗯？？？灰度的效果还不错哎，和matlab的效果差不多了。，然后你也可以在后面加一句plt.colorbar()函数，提供一个色棒以供参考。

最后，来一个绘制莫比乌斯带的例子，这个来源于公众号，结尾我会给大家一个这篇文章的链接，

theta=np.linspace(0,2*np.pi,300)
w=np.linspace(-0.25,0.24,8)
w,theta=np.meshgrid(w,theta)
phi=0.5*theta
r=1+w*np.cos(phi)
x=np.ravel(r*np.cos(theta))
y=np.ravel(r*np.sin(theta))
z=np.ravel(w*np.sin(phi))
from matplotlib.tri import triangulation
tri=triangulation.Triangulation(np.ravel(w),np.ravel(theta),triangles=None, mask=None)
ax=plt.axes(projection='3d')
ax.plot_trisurf(x,y,z,triangles=tri.triangles,cmap='viridis',linewidth=0.2)
ax.set_xlim(-1,1)
ax.set_ylim(-1,1)
# ax.set_zlim(-1,1)
plt.show()